优化支持向量机在降水预报中的应用

利用粒子群优化算法对支持向量机参数进行优化,主成分分析法对众多的降水因子进行特征提取,将取得的主成分作为优化支持向量机的特征向量建立优化支持向量机降水预测模型,并对广西降水进行预测.仿真结果表明,粒子群优化支持向量机的预测结果与降水实际值有很好的一致性,通过与其他模型进行比较,表明了模型拟合和泛化能力方面的优越性.     

季节调整的PSO-SVR模型及其在旅游客流量预测中的应用——以海南省三亚市为例

准确的旅游客流量预测对旅游目的地做好事前准备工作至关重要.然而旅游客流量具有明显的非线性和季节性特征,采取季节调整方法对样本数据进行预处理,消除季节性的影响,可以提高客流量预测的准确性.同时SVR(支持向量回归机)是一种良好的机器学习方法,非常适合预测研究,辅以PSO(粒子群算法)选取合适的回归参数可以获得更加精确的预测结果.提出了一种考虑季节影响并通过PSO优化SVR模型的旅游客流量预测模型,并以海南省三亚市为例进行了实证研究.研究结果表明,季节调整的PSO-SVR模型预测精度明显高于SVR、季节调整的SVR和PSO-SVR模型,是进行旅游客流量预测的有效工具.     

近代非线性回归在电力系统负荷短期预测中的应用

本文就河北省１９８５—１９９０年春节期间每小时用电量的统计数字用非线性回归模型（Ｇｏｍｐｅｒｔｄｚ）处理了６年中同日同一时间的耗电量，建立了回归模型，并预测了１９９１年同一时间的用电情况。实际表明本文的结果是可信的．     

支持向量机在胎膜早破预测中的应用

为快速、准确地对胎膜早破进行预测,首次应用了一种新型的数据挖掘技术-支持向量机预测模型.该模型针对所获取的胎膜早破及正常破膜数据集100个病例进行建模,并与神经网络、Logistic回归建模的性能进行了比较.结果表明,支持向量机具有可调参数少、学习速度快等优点,计算所得到的结果无论从准确率,还是所获取知识的可理解性等方面,都优于常用的神经网络等方法.用支持向量机方法建立的胎膜早破预测模型合理可行.     

加权支持向量机在证券指数预测中的研究

支持向量机是基于统计学习理论的新一代学习机器.它使用结构风险最小化原则,运用核技巧,较好地解决了学习问题.本文提出了一种基于支持向量机的加权算法,并将其应用于证券,指数预测.与径向基神经网络相比较,加权支持向量机表现出了良好的性能.     

支持向量回归机和多小波变换在数字图像水印算法中的应用

给出一种多小波域上基于支持向量回归机的数字图像水印新算法,算法充分利用了多小波变换和支持向量回归机的优点.通过对新算法实验结果的分析和与其他算法的对比得到:算法对JPEG压缩、模糊处理、锐化等攻击具有很强的鲁棒性.     

基于支持向量回归机的水文混沌时间序列预测

支持向量机在系统辨识和分类研究方面比较成熟,目前尚没有提出有效的支持向量回归理论来解决非线性、时变、干扰的复杂问题.支持向量回归机主要用于因果关系点对的回归预测,把支持向量回归机应用于水文混沌时间序列的预测研究是一个有意义的工作.在支持向量机一般理论基础上,提出了水文混沌时间序列支持向量回归机模型,并就模型进行仿真计算,讨论了模型参数对支持向量回归机预测精度的影响,为模型参数寻优提供一般指导原则.直门达水文站径流量混沌时间序列支持向量回归机预测实验表明,水文混沌时间序列支持向量回归机模型是有效的.     

支持向量机回归方法在地表水水质评价中的应用

将支持向量机方法应用于地表水质评价问题中,建立了多指标水质综合评价的支持向量机回归模型.在地表水质评价标准的基础上采用内插法获得学习样本,经过训练,得到水质评价的分类区间;然后以实测资料对所建模型进行检验,研究结果表明,支持向量机回归模型性能良好、预测精度高、简便易行,是水质评价的一种有效方法,具有广阔的应用前景.     

基于GA-SVM的太原市空气质量指数预测

针对大气环境的复杂多变性和不确定性,采用太原市2014年至2016年的空气污染物监测数据,分别将改进的粒子群算法(IPSO)和遗传算法(GA)与支持向量机(SVM)相结合,通过参数寻优构建新模型完成对空气质量指数(AQI)的预测.实验结果表明,GA-SVM在预测精度、误差率和可靠性方面均优于IPSO-SVM与SVM.因此GA-SVM模型更适用于AQI的预测,为大气污染防治提供了科学合理的理论依据和新的预测方法.     

基于支持向量回归和核岭回归对血糖值预测的对比分析

为了对比支持向量回归(SVR)和核岭回归(KRR)预测血糖值的效果,本文选择人工智能辅助糖尿病遗传风险的相关数据进行实证分析.首先对数据进行预处理,将处理后的数据导入Python.其次,为了使SVR和KRR的对比结果具有客观性,使用了三种有代表性的核方法(线性核函数,径向基核函数和sigmod核函数).然后,在训练集上采用网格搜索自动调参分别建立SVR和KRR的最优模型,对血糖值进行预测.最后,在测试集上对比分析SVR和KRR预测的均方误差(MSE)和拟合时间等指标.结果表明:均方误差(MSE)都小于0.006,且KRR的MSE比SVR的小0.0002,KRR的预测精度比SVR更高;而SVR的预测时间比KRR的少0.803秒,SVR的预测效率比KRR好.     

基于伽玛与对数正态分布假设下的广义线性模型的比较和应用

本文在假设每次损失金额的变异系数相同,且它们服从伽玛分布或对数正态分布的条件下,讨论了加法模型和乘法模型的参数估计和拟合优度检验,并应用一组实际损失数据对上述模型进行了实证比较。结果表明,对于一组特定的损失数据,对数正态分布假设下的广义线性模型可能优于伽玛分布假设下的广义线性模型。     

基于回归分析的机场拥挤预测问题研究

及时有效的预测机场拥挤状态并辅助机场管理部门采取相应缓解拥挤的措施,将有助于提高机场的服务质量和运行效率.提出了利用回归分析的方法对机场拥挤问题进行研究.利用已有的历史航班数据挖掘出与机场拥挤最为相关的因素,并将其作为预测变量来预测响应变量.使用到两种回归分析方法即:普通最小二乘回归(OLS)和支持向量回归(SVR).使用历史数据来训练模型,并将这两种训练模型用于真实数据集上做测试,且取得较好的预测效果.实验结果证明该方法在机场拥挤预测问题上的可用性和有效性.     

多元质量特性预报：MULTIVARIATE回归分析的应用

对现象之间客观存在的因果关系建立回归分析模型,这是实际中较为普遍的做法.在这篇文章中,我们根据MULTIVARIATE回归分析的基本原理,利用从生产现场采集的观测数据,对产品两个质量特性及其五个关键影响因素之间的关系建立了多重多元回归分析方程,为说明MULTIVARIATE回归应用的可行性,我们还结合实例给出了因变量向量估计的两种形式,以及无条件预报的置信区间。     

Application of SVM and ANN for image retrieval

This paper presents a new, scaling and rotation invariant encoding scheme for shapes. Support vector machines (SVMs) and artificial neural networks (ANNs) are used for the classifications of shapes encoded by the new method. The SVM classification accuracy rate is 95.9 ∓ 2.9% in 14 categories and 79.2 ∓ 2.1% in 40 categories. This shows that SVM is one of the best tools for classification problems. The experimental results showed that SVM achieved better performance than ANN. A sensitivity test is performed to show that SVM is quite robust against different parameter values. In addition, our coding method is comparable to previous coding scheme in terms of SVM and ANN performance.     

人口自适应回归预测模型与实证分析

本文以人口自身传递应和人口政策调节效应为理论假设,提出了兼顾两种效应的人口自适应回归预测模型。与一般的自回模型AR(n)相比,自适应回归预测模型能更好地描述、解释和预测人口的发展变化,是一种优化的回归预测模型。     

二分类Logistic回归插补法及其应用

在实际的调查数据和实验数据中,经常会出现数据缺失的问题,插补方法是处理缺失数据的一种常用的技术方法.对于目标变量是二分类的定性变量时,可以采用Logistic回归插补法进行插补,采用一套高中生进入大学学习影响因素分析的模拟数据进行实证分析,探讨了Logi8tic回归插补法的一些特点.     

基于偏最小二乘回归的装备备件消耗预测

考虑了装备使用时间、行驶里程和配备时间等影响备件消耗的多种因素,依据装备备件的消耗特点,在分析偏最小二乘回归方法原理的基础上,运用方法对小样本数据条件下装备备件的消耗数量进行预测.应用示例表明,偏最小二乘回归方法比传统多元回归分析法、逐步多元回归分析法和删除多元回归分析法具有更高的预测精度.     

基于误判代价加权的Logistic财务预警模型研究

1:1样本配比的财务预警模型的系数和概率估计是有偏的,全市场公司的样本数据又高度不平衡.为克服两类样本不平衡给预警模型带来的影响,引入公司误判代价分析,以ST公司误判代价为权重,通过最小化加权的对数似然损失函数,建立误判代价加权的Logistic回归财务预警模型.实证结果表明,误判代价加权的Logistic回归模型具有较好的预警效果,2007年的训练样本上正常公司和ST公司的识别率为89.43%和93.33%,2008年测试样本上两类公司的识别率分别为:92.1%和95.83%.